© Курбанов Константин, ЭФ МГУ
Введение
Обычные статистические методы не включают имитацию индивидуального поведения агентов. Включение поведенческого аспекта делает агент-ориентированные модели (АОМ) незаменимым инструментом в моделировании социальных процессов, одним из оттенков которых выступают противоправные действия.
Компьютерные симуляции социальных процессов осложнены тем, что человеческое поведение зачастую может быть чрезмерно субъективным (иррациональным с точки зрения внешнего наблюдателя), или, что то же, основываться на чрезмерно усложненных психологических взаимосвязях.
В частности, если речь идет о взломщиках, то при учете их поведения возникают еще большие сложности, так как этот социальный класс обладает своими достаточно уникальными характеристиками и моделями поведения.
Частично, эти трудности могут быть упрощены усилением детализации модели – АОМ.
В случае с моделированием краж возникают следующие факторы, которые непосредственно определяют факт их наличия или отсутствия:
-
Время суток;
-
Пространственные особенности;
-
Особенности объектов – уровень безопасности и прочее;
-
Поведенческий аспект;
Рассматривается концепция PECS [см. Schmidt, B. (2000). The modelling of human behaviour. Erlangen, Germany: SCS Publications]. Расшифровка:
-
Физические условия;
-
Эмоциональные состояния;
-
Когнитивные способности;
-
Социальный статус.
АОМ, представленная в данной работе, учитывает весь комплекс PECS.
Учет поведенческих особенностей в модели через призму PECS.
Как происходит моделирование принятий решений агента в призме PECS? Рассмотрим пример. Покупатель находится в магазине и раздумывает о покупке товара. Тогда:
-
Физические условия – голод, жажда;
-
Эмоциональные состояния – радость или огорчения от субъективного восприятия товара;
-
Когнитивные способности – учет цен и доступного бюджета;
-
Социальный статус – специфические особенности поведения агента в магазине.
Сама процедура учета поведения человека в модели называется конструированием архитектуры агента. Архитектура PECS предполагает 2 типа поведения: неосознанное (reactive) и осознанное. Классификация неосознанного поведения:
Инстинкт врожденный: реакция родителя на плач ребенка;
Инстинкт приобретенный: реакция автомобилиста на критическую ситуацию;
Обусловленность потребностями: еда; жилье; интеллектуальные потребности. Этот тип поведения играет подавляющую роль. Пусть, интенсивность обусловленности T : T = f(N,V,X), где N – потребность; V – факторы среды; X – прочие факторы.
Обусловленность эмоциями. Интенсивность эмоций E = g(I,A,X), где: I – важность события, вызвавшего эмоции; A – оценка события самим агентом; X – прочие факторы.
Осознанное поведение классифицировать сложнее. Речь идет о том, что затруднительно классифицировать то или иное действие как осознанное или неосознанное. Не ясно, например, является ли поиск пищи результатом инстинкта или же реализацией задач планирования агента.
Агенты
В модели 2 типа агентов – местных жителей. Они удовлетворяют 2 потребности: благосостояние и сон. Удовлетворить благосостояние можно на работе (законной) и при помощи кражи. 1-й тип агентов в этой связи является честным типом; 2-й тип обычно совмещает работы и преступления. 2-й тип идет на воровство, если законная деятельность не способна удовлетворить его потребности благосостояния.
Типы агентов фиксированы. Это означает, что порядочный гражданин не может стать жуликом и наоборот. Распределение вероятностей выбрано так, чтобы из общей популяции агентов (в модели их 300), 5% были жуликами, а все прочие – честными людьми.
Богатство используется для удовлетворения всех потребностей, которые возникают. Таким образом, постановка модели поведения в 2-к категориях (сна и работы) является вполне реалистичной.
Реализация концепции PECS в рамках модели представлена на рисунке 1.
Рисунок 1. Потребности агента и его решения.
Функции интенсивности учитывают текущие значения благосостояния и сна агента, его предпочтения, а также время суток. Стоит сказать, что реализация полной концепции искусственного поведения PECS достаточно затруднительна, да и в рамках анализа данной модели не имеет.
Расшифровка функций второго блока рисунка 1 представлена в таблице 1:
Таблица 1
| Необходимость | Богатство | Сон |
| Функция интенсивности в момент t. T – текущее время |
|
|
| Описание функции | Интенсивность зависит от: текущего богатства, предпочтений агента и времени суток | Интенсивность зависит от: текущего уровня сна, величины сна, требуемой каждый день, и времени суток |
| Выбор при преобладании интенсивности | Наращивание богатства через занятость (если доступна), либо через кражи. | Немедленный поход домой и сон. |
Представление агентов в рамках модели было бы неполным, если бы не отражало их (агентов) восприятие модельного мира. Это реализуется через т. н. когнитивную карту. По мере того, как агенты путешествуют по своему искусственному миру (при походе на работу, домой или в поисках объекта для кражи и взлома), они запоминают структуру и расположение домов. Положение домов и агентов, живущих в них, строго зафиксировано в рамках модели. Агенты могут визуально проанализировать уровень безопасности жилья, его внешний вид, а также отложить это все в своей памяти. Таким образом, внедрение возможности легального заработка для потенциальных преступников упрощает механизм создания когнитивной карты для них.
Искусственная среда.
Среда сконструирована из сетки размером 41 на 31 ячейку. Некоторые ячейки пусты. Это вызвано тем, что агенты могут двигаться только горизонтально и вертикально. Всего 3 типа ячеек: рабочая зона; жилье и дороги. Агенты всегда двигаются наикратчайшим путем по дорогам. Каждая из ячеек рабочей зоны представляет собой офис, в котором могут работать неограниченное число агентов. В жилой зоне одна ячейка соответствует одному жилому помещению, в котором живет только 1 агент. У жилого дома 2 характеристики: безопасность и привлекательность. Последняя есть прямая функция благосостояния агента. Потенциальные жулики запоминают точный уровень богатства и безопасности.
В модели учтена интересная закономерность. Как только чей-то дом обворован, то показатели его безопасности и благосостояния возрастают. Также эти показатели возрастают в окрестностях этого дома. Спустя определенное время после преступления показатели возвращаются к норме.
Схема жилого района показана на рисунке 2.
Рисунок 2
Первоначальное расположение горожан случайно: часть дома, часть – на работе. Потенциальные преступники равномерно распределены по жилому району.
Схема преступника.
-
Преступник решает идти «на дело», так как не имеет возможности заработать легально для удовлетворения всех своих потребностей;
-
Преступник выбирает дом из своего сформированного списка (когнитивная карта). Если богатство нескольких целей одинаково – то используется случайный выбор;
-
Агент идет прямиком к цели. По пути он оценивает уровень безопасности окрестных домов;
-
Если по прибытии оказывается, что безопасность выше, чем ожидалось, или в доме жилец, то процесс повторяется сначала.
При этом не бывает неуспешных преступлений. Величина награбленного эквивалентна дневной заработной плате.
Симуляции и равновесие.
В модели под динамическим равновесием понимается такая ситуация, когда число преступлений, совершенных в какой-нибудь день не отличается сильно от среднего числа преступлений за период.
В простой симуляции модель достигает динамического равновесия через 50 дней – рисунок 3.
Рисунок 3
Из рисунка также видно, что без явных различий в богатстве отдельных районах симулируемой области совершенные преступления концентрируются вокруг делового центра. Этот результат устойчив, несмотря на вероятностную природу самой модели. Он достаточно согласован с теорией.
Далее происходит симуляция с усложнением. Пусть в жилой зоне имеются 4 типа районов.
Таблица 2
| Тип района | Отклонение уровня богатства от нормы | Отклонение уровня безопасности от нормы |
| Обычный | - | - |
| Богатый | 150% | 150% |
| Малоимущий | 50% | 50% |
| Студенческий | 150% | 50% |
Названия районов не претендуют на жесткую связь с богачами или студентами. Их характеристики построены таким образом, чтобы выявить различие в концентрации преступлений. Последующие проверки показывают, что районирование вносит достаточный вес в формирование итогового равновесия модели.
Рисунок 4
Исходя из таблицы видно, что наиболее уязвимым является студенческий район. Результаты различного позиционирования студенческого района в симулируемой зоне представлены на рисунке 4. Слева – диспозиция. Справа – плотность преступлений по завершении 50 дней (периода прогона модели). Видно, что симуляция полностью подтверждает гипотетические предположения.
Что дает это усложнение? Само по себе, конечно, оно не привносит ничего нового в теорию. Интерес представляет выявление наиболее уязвимых для преступной активности районов – кластеров. В рамках симуляций использовался иерархический алгоритм кластеризации по методу ближайших соседей (NNH). На рисунке 5 видно, что его применение в последние 10 дней модельного времени способно определить концентрацию плотности преступлений.
Рисунок 5
Как видно из рисунка 5, итоговая плотность совершенных преступлений может быть достаточно точно аппроксимирована с помощью данного метода кластеризации.
Заключение.
Приведенная АОМ в будущем призвана стать одним из достаточно надежных звеньев моделирования искусственных обществ. Симуляции можно всячески усложнять, меняя структуру района, внедряя охрану правопорядка, модифицируя функции интенсивности экономических агентов, допуская возможность перемещения честных граждан в группу жуликов и наоборот. На данном этапе приведенная модель есть лишь отправная точка.
Источник: [Nick Malleson, Alison Heppenstall, Linda See - Crime reduction through simulation: An agent-based model of burglary // Computers, Environment and Urban Systems 34 (2010) 236–250].